机器学习——KNN算法总结

from sklearn import datasets  #导入内置数据集模块
from sklearn.neighbors import KNeighborsClassifier
 #导入sklearn.neighbors模块中KNN类
import numpy as np 
from sklearn import preprocessing#对数据进行归一化处理`
from sklearn.model_selection import train_test_split

iris=datasets.load_iris() #导入鸢尾花的数据集
iris_x=iris.data   
#样本数据150*4二维数据，代表150个样本每个样本4个属性分别
为花瓣和花萼的长、宽
iris_y=iris.target 
 #长150的以为数组，样本数据的标签

iris_x = preprocessing.scale(iris_x)# 对数据进行归一化处理
iris=np.array(iris)#将数组转换为向量
indices = np.random.permutation(len(iris_x)) 
#permutation接收一个数作为参数(150),产生一个0-149一维数组，
只不过是随机打乱的，当然她也可以接收一个一维数组作为参数，
结果是直接对这个数组打乱

ris_x_train,
iris_x_test ,
iris_y_train,
iris_y_test  = train_test_split(iris_x,iris_y,test_size = 0.2)#对原始数据集进行分割
knn = KNeighborsClassifier(10) #定义一个knn分类器对象

knn.fit(iris_x_train, iris_y_train)  #调用该对象的训练方法，主要接收两个参数：训练数据集及其样本标签，训练模型
iris_y_predict = knn.predict(iris_x_test)  #调用该对象的测试方法，主要接收一个参数：测试数据集
knn.score(iris_x_test,iris_y_test)#KNN自带的评分函数

from sklearn.metrics import mean_squared_error
import math

meanSquaredError=mean_squared_error(iris_y_predict, iris_y_test)
#均方误差
print("MSE:", meanSquaredError)
rootMeanSquaredError = math.sqrt(meanSquaredError)
#均方根误差
print("RMSE:", rootMeanSquaredError)